3.2 Arbre de formes
3.2.2 Application
Comme les structures d’arbres de formes se correspondent entre le
tem-plate et les images réelles à la fois dans la théorie et en pratique, nous avons
essayé de développer une méthode de filtrage qui s’appuie sur l’AdF. En
effet, le filtrage peut être considéré du point de vue de l’AdF comme un
éla-gage en fusionnant les nœuds de bruit avec des nœuds de signal plus
impor-tant. Nous avons ainsi proposé une approche permettant de filtrer le bruit
de Poisson. L’idée est d’appliquer la transformée d’Anscombe (Équation
3.2 Arbre de formes
3.4) sur l’image puis de la filtrer avec un filtre de bruit gaussien enfin
utili-ser l’AdF comme support pour effectuer la transformée inverse. Cela nous
permet de conserver au mieux les formes de notre image lors de la
trans-formée inverse. Pour ce faire, nous calculons l’AdF de l’image filtrée mais
dans le domaine d’Anscombe. Ensuite nous considérons que les formes de
l’image filtrée sont celles que nous voulons garder mais elles ont la
mau-vaise valeur par rapport l’image d’origine. L’intérêt de cette approche est
de pouvoir moyenner les valeurs de l’image d’origine bruitée en utilisant
les formes comme guide. Nous pouvons ainsi espérer mieux conserver les
contours et filtrer plus fortement les régions homogènes. Cela au détriment
des petits éléments de détails qui ne bénéficieront pas d’une statistique
suffisante pour avoir une moyenne significative. Dans notre cas, avec notre
modèle constant par morceaux, ces affirmations sont acceptables.
A : x→ 2
r
x+ 3
8 (3.4)
Nous allons donc détailler l’approche mise en place et la comparer avec
des résultats de l’état de l’art. Notre méthode se dérive des approches
uti-lisant la transformée d’Anscombe. Le principal changement est le
rempla-cement de la méthode de calcul de la transformée inverse comme affiché
en Figure3.5. Le principe est le suivant : nous assignons à chaque nœud de
l’AdF de l’image filtrée la valeur moyenne de l’image d’origine des pixels
contenu dans le nœud (Équation 3.5).
Gv =
P
x∈v
pixelsI(x)
|v| ,∀v∈ Tf ilter (3.5)
Gv : le niveau de gris du nœudv
vpixels : la liste des pixels du nœudv
I(x) : la valeur du niveau de gris dans l’image d’origine
|v| : le nombre de pixels contenu dans le nœudv
T
f ilter: l’AdF de l’image filtrée
Transformée
d’Anscombe
Filtre de bruit
gaussien
Transformée
d’Anscombe
inverse
Transformée
d’Anscombe
Filtre de bruit
gaussien Transforméeavec AdF Traitement
Post-Figure 3.5 – Différence entre le pipeline classique et notre proposition.
De cette façon, nous conservons les formes filtrées mais en appliquant
les valeurs d’origine. Cependant, nous avons constaté que les zones qui
restent bruitées après le filtrage font partie de formes plus petites. Ce que
nous entendons par formes bruitées sont des formes qui regroupent des
pixels dont la valeur a été corrompue localement par un bruit plus fort
que la moyenne ou qui n’ont pas été filtrées suffisamment. A contrario, les
formes non bruitées regroupent les pixels faiblement bruités ou
correcte-ment filtrés. Cela fait que la forme en question ne récupère que des pixels
bruités dans l’image d’origine et donc le filtrage est inefficace. Nous
pro-posons un post-traitement pour améliorer cet aspect avec un filtre de grain
[60] de l’AdF. Ce filtre consiste à élaguer les nœuds ayant une taille
infé-rieure à un seuil donné en les incluant dans leur parent. Dans le domaine
image, les pixels des nœuds élagués verront leur niveau de gris changer
pour celle de leur parent. Ainsi les formes bruités seront incluses dans des
formes plus grandes et plus stables.
N’ayant pas d’images parfaites sans bruit, nous avons dans un premier
temps comparé quantitativement notre méthode à plusieurs méthodes
pro-posées dans la Section2.3.1sur des images naturelles que nous avons
cor-rompu avec du bruit de Poisson. Nous avons quantifié le filtrage avec le
Peak Signal to Noise Ratio (PSNR) (Équation 3.6) qui est couramment
utilisé dans les comparaisons.
En comparant les résultats entre notre méthode et certains méthodes de
l’état de l’art, nous constatons que nos résultats sont inférieurs en
particu-lier dans les zones à forts détails (Figure 3.6et3.7). Nous nous attendions
3.2 Arbre de formes
PS NR = 10·log10 d2
EQM
!
(3.6)
d : la dynamique de l’image (d=255 pour les images codées sur 8-bits)
EQM: l’erreur quadratique moyenne
EQM = 1
|X |
X
x∈X
(I
re f(x)−I
bruit(x))
2(3.7)
|X | : le nombre de pixels de l’image
Ire f : l’image non bruitée
Ibruit: l’image bruitée
à ce que ces zones soient problématiques mais de ce fait, la technique est
globalement moins efficace car les effets dans les zones homogènes restent
similaires à l’état de l’art. Nous avons essayé plusieurs ajustements afin
d’améliorer les performances. Nous avons changé la méthode
d’agréga-tion de moyenne à médiane, nous avons essayé de quantifier l’image afin
de réduire le nombre de formes dans l’AdF ou encore essayer d’appliquer
un traitement spécifique aux formes que nous avons identifié visuellement
comme des formes de bruit.
De plus, nous avons testé la méthode sur des images de notre base
(Fi-gure 3.8 et 3.9). Globalement, le filtrage est efficace dans les zones
ho-mogènes. Cependant, nous pouvons constater que les contours très
brui-tés comme celui de droite tendent à être effacés par le filtrage. Enfin, la
méthode créée des zones de niveau de gris constant avec des formes
quel-conques, ce qui peut être problématique pour certains algorithmes et
res-semblent à des effets de quantification.
Finalement, nous n’avons pas continué à essayer d’améliorer la méthode
car les différentes propositions que nous avions semblaient davantage être
des petits correctifs que de réelles améliorations. Nous pensons que notre
proposition ne fera pas mieux que les méthodes déjà proposées dans l’état
de l’art malgré le caractère intéressant et original de la méthode.
(a) L’image bruitée.
PSNR=27.12dB
(b) Filtrage avec Anscombe.
PSNR=32.95dB
(c) Filtrage avec les moyennes non
locales. PSNR=31.06dB (d) Filtrage avec notre méthode.PSNR=32.61dB
Figure3.6 – Un exemple d’image naturelle que nous avons faiblement
bruitée avec un comparatif de différentes méthodes. L’image
3.2 Arbre de formes
(a) L’image bruitée.
PSNR=19.51dB
(b) Filtrage avec Anscombe.
PSNR=27.26dB
(c) Filtrage avec les moyennes non
locales.PSNR=27.56dB
(d) Filtrage avec notre méthode.
PSNR=23.84dB
Figure3.7 – Un exemple d’image naturelle que nous avons fortement
bruitée avec un comparatif de différentes méthodes. L’image
(a) L’image bruitée. (b) Filtrage avec Anscombe.
(c) Filtrage avec les moyennes non
locales.
(d) Filtrage avec notre méthode à base
d’AdF.
Figure 3.8 – Un exemple d’image de semi-conducteur avec un comparatif
de différentes méthodes.
3.2 Arbre de formes
(a) L’image bruitée. (b) Filtrage avec Anscombe.
(c) Filtrage avec les moyennes non
locales.
(d) Filtrage avec notre méthode à base
d’AdF.
Figure 3.9 – Un exemple d’image simulée par notre modèle constant par
morceaux avec un comparatif de différentes méthodes.
Dans le document
segmentation appliquée à la métrologie de matériaux dans des images de microscopie électronique
(Page 59-67)